计算机应用

作者：许志雄, 李波, 边小勇, 胡其仁

单位：1.武汉科技大学 计算机科学与技术学院，武汉 430065；2.武汉科技大学 大数据科学与工程研究院，武汉 430072；3.智能信息处理与实时工业系统湖北省重点实验室（武汉科技大学），武汉 430081

关键词：医学图像分割,深度学习,注意力U型网络,对比学习,特征融合

基金：国家自然科学基金资助项目(61972299)

计算机断层扫描（CT）和核磁共振成像（MRI）图像广泛应用于医学图像深度分割。然而，传统的分割方法受到肿瘤边界模糊及其结构复杂的影响，未能利用对抗样本提升分割模型的区分能力，使获得最好的分割效果面临挑战。针对以上问题，提出一种对抗样本嵌入注意力U型网络学习的3D医学图像分割模型。该模型使用对抗样本嵌入的注意力U型网络以通过样本变换构建对抗样本，并提取医学图像的肿瘤特征信息；引入低维度特征筛选和高维度特征融合模块，以提纯肿瘤可区分特征；使用基于交叉熵、Dice损失和对比损失的组合损失函数训练整个网络，从而得到富于判别性的分割模型。实验结果表明，所提方法在神经鞘膜瘤（NST）和自动心脏诊断挑战（ACDC）数据集上的Dice相似性系数（DSC）分别达到88.14%和91.75%，与非新的U-Net（nnU-Net）方法相比，分别提高了1.26和2.48个百分点。可见，所提方法有效提高了在肿瘤边界模糊时的3D医学图像分割性能。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期